基于FCNN与PSO相结合的事故序列筛选方法

技术特征：
1.基于fcnn与pso相结合的事故序列筛选方法，其特征在于，包括以下步骤：s101.明确研究对象、目标参数，完成确定论与概率论建模；s201.采用并发计算方法，并发计算relap5程序，快速构建深度学习数据库；s301.采用fncc分析方法构建深度学习替代模型，代替relap5进行事故分析；s401.采用pso方法，调用替代模型进行事故分析，快速捕捉各个事故序列最优解，筛选出需要进行bepu分析的序列。2.根据权利要求1所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s101具体包括以下步骤：s1011.根据确定论对研究对象进行建模；s1012.根据概率论模型，确定所有事故序列；s1013.确定不确定性参数、分布和目标参数；s1014.进行参数敏感性分析，筛选关键参数。3.根据权利要求2所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s1011.根据确定论对研究对象进行建模具体包括以下步骤：s10111.明确分析对象和事故；s10112.获取建模过程中所需要的所有参数信息；s10113.根据关键参数完成对象节点图后进行输入卡的编写，s10114.建模完成后需要将模拟结果与设计参数进行对比分析，保证建模精度满足分析需求。4.根据权利要求1所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s201具体包括以下步骤：s2011.并发初始化，在进行并发计算之前需要初始化设置输入参数、输入参数的范围、分布以及目标参数；明确数据库构建的输入和输出；s2012.计算机设备性能测试，完成优化程序初始化设置；s2013.多线程实现批量relap5输入文件更新；s2014.多线程relap5计算；s2015.构建输入、输出数据库。5.根据权利要求1所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s301具体包括以下步骤：s3011.构建fcnn深度学习替代模型；s3012.判断当前数据库样本大小不变的情况下，能否生成满足精度要求的fcnn深度学习替代模型；若满足，则模型构建完成，进行封装后，进入s401，参与并发计算；否则，返回s201，增加学习数据库样本数量。6.根据权利要求5所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s3011.构建fcnn深度学习替代模型具体包括以下步骤：s30111.调用学习数据库：将已经生成的数据库样本导入该步骤供模型构建使用；s30112.输入层学习样本数据初始化及测试样本数据初始化：根据数据库中的输入参数和输出参数，对fcnn的输入层和输出层标称值进行数据更新。并且初始化fcnn的激活函数和关键信息；
s30113.隐藏层拟合：输入层的数据进入隐藏层经过激活函数进行非线性拟合；当有多个隐藏层时，前一个隐藏层的输出作为后一个隐藏层的输入进行数据传递；s30114.输出层数据输出：一个输入层初始参数经过隐藏层的拟合后会输出一个拟合目标参数；s30115.判断拟合输出数据与标称值误差是否满足要求：输出层的拟合目标参数与数据库中的relap5程序计算出的标准目标参数进行对比，当误差满足规定值后进入s30116中；若误差不满足规定则经过adam算法进行程序自动调参后继续进入s30113中，直到满足规定值后进入s30116中；s30116.判断测试样本精度是否满足要求：将测试样本的输入数据导入到模型中，得到的输出值与测试样本中标准的输出值进行对比，满足要求则进行下一步；如不满足要求则继续adam算法调参，直到满足精度要求。7.根据权利要求1所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s401具体包括以下步骤：s4011.对s101中所有事故序列的标称输入值进行relap5程序计算，得到各个序列的标称目标参数；s4012.对事故序列进行分类，确定事故序列目标参数求解需求；s4013.利用pos算法进行事故序列最优解计算。8.根据权利要求7所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，s4013.利用pos算法进行事故序列最优解计算具体包括以下步骤：s40131.初始化粒子参数：根据计算需求，设置每代粒子个数、粒子的维度、迭代总次数、惯性权重因子、学习因子、关键参数，控制pso优化的规模，效率；s40132.确定输入参数及目标参数，完成程序初始化设置：根据s101得到的敏感性分析的结果，更新输入参数信息和目标参数信息，进行初始化；s40133.调用深度学习替代模型，并发计算：调用s301中封装的深度学习替代模型，代替relap5进行事故分析计算；s40134.获取目标参数，更新最佳适应值：通过深度学习替代模型计算后输出目标参数，并对比、更新各代目标参数最优解；s40135.判断是否满足收敛条件：当满足任意收敛条件时，程序完成计算，进入s40136；若不满足则根据pso算法更新每个事故分析序列的初始参数继续迭代计算进入s40133中；s40136.输出最优解数据；s40137.输出序列筛选结果：根据最优解数据与安全限值对比及s40135的判断分析，将需要进行bepu分析的事故序列号输出。9.根据权利要求8所述的基于fcnn与pso相结合的事故序列筛选方法，其特征在于，pso计算收敛条件包括：(1)达到最大迭代次数；(2)连续多代最优解变化差值都在误差范围内；(3)计算目标参数中出现特异值，其中特异值是指计算出的目标参数与安全限值的大小关系与该序列标称目标参数与安全限值的大小关系不同。

技术总结
本发明公开了一种基于FCNN与PSO相结合的事故序列筛选方法，涉及事故序列筛选技术领域，包括以下步骤：S101.明确研究对象、目标参数，完成确定论与概率论建模；S201.采用并发计算方法，并发计算RELAP5程序，快速构建深度学习数据库；S301.采用FNCC分析方法构建深度学习替代模型，代替RELAP5进行事故分析；S401.采用PSO方法，调用替代模型进行事故分析，快速捕捉各个事故序列最优解，筛选出需要进行BEPU分析的序列。本发明通过全连接神经网络构建替代模型代替传统的系统仿真程序，提高单次事故分析效率，利用粒子群优化算法对构建的替代模型进行最优化计算，减少分析计算次数的高效事故序列筛选方法。序列筛选方法。序列筛选方法。


技术研发人员：李磊 孙大彬 田兆斐 王贺 陈广亮
受保护的技术使用者：哈尔滨工程大学
技术研发日：2022.04.29
技术公布日：2022/8/30